Black Scholes Model BREAKING Down Modelo Black Scholes O modelo Black Scholes é um dos conceitos mais importantes na teoria financeira moderna. Foi desenvolvido em 1973 por Fisher Black, Robert Merton e Myron Scholes e ainda é amplamente utilizado em 2016. É considerado como uma das melhores maneiras de determinar preços justos de opções. O modelo Black Scholes requer cinco variáveis de entrada: o preço de exercício de uma opção, o preço atual das ações, o prazo de vencimento, a taxa livre de risco e a volatilidade. Além disso, o modelo pressupõe que os preços das ações seguem uma distribuição lognormal porque os preços dos ativos não podem ser negativos. Além disso, o modelo pressupõe que não há custos ou taxas de transação, a taxa de juros sem risco é constante para todos os vencimentos, é permitida a venda a descoberto de títulos com uso de receitas e não há oportunidades de arbitragem sem risco. Fórmula Black-Scholes A fórmula de opção de chamada Black Scholes é calculada multiplicando o preço das ações pela função de distribuição de probabilidade normal padrão cumulativa. Posteriormente, o valor presente líquido (VPL) do preço de exercício multiplicado pela distribuição normal padrão cumulativa é subtraído do valor resultante do cálculo anterior. Na notação matemática, C SN (d1) - Ke (-rT) N (d2). Por outro lado, o valor de uma opção de venda pode ser calculado usando a fórmula: P Ke (-rT) N (-d2) - SN (-d1). Em ambas as fórmulas, S é o preço das ações, K é o preço de exercício, r é a taxa de juros livre de risco e T é o prazo de vencimento. A fórmula para d1 é: (ln (SK) (r (volatilidade anualizada) 2 2) T) (volatilidade anualizada (T (0,5))). A fórmula para d2 é: d1 - (volatilidade anualizada) (T (0,5)). Limitações Como indicado anteriormente, o modelo Black Scholes é usado apenas para preço de opções européias e não leva em consideração que as opções americanas poderiam ser exercidas antes da data de validade. Além disso, o modelo assume dividendos e as taxas livres de risco são constantes, mas isso pode não ser verdade na realidade. O modelo também pressupõe que a volatilidade permanece constante em relação à vida das opções, o que não é o caso, porque a volatilidade flutua com o nível de oferta e demanda. Simulação de Carlo Carlo com GBM Uma das maneiras mais comuns de estimar o risco é o uso de uma simulação de Monte Carlo (MCS). Por exemplo, para calcular o valor em risco (VaR) de um portfólio, podemos executar uma simulação de Monte Carlo que tenta prever a pior perda provável para um portfólio dado um intervalo de confiança em um horizonte temporal especificado - sempre precisamos especificar dois Condições para VaR: confiança e horizonte. (Para leitura relacionada, veja Os Usos e Limites de Volatilidade e Introdução ao Valor em Risco (VAR) - Parte 1 e Parte 2.) Neste artigo, analisaremos um MCS básico aplicado a um preço de ações. Precisamos de um modelo para especificar o comportamento do preço das ações e use um dos modelos mais comuns em finanças: o movimento geométrico Browniano (GBM). Portanto, enquanto a simulação de Monte Carlo pode se referir a um universo de diferentes abordagens de simulação, começaremos aqui com os mais básicos. Onde começar Uma simulação de Monte Carlo é uma tentativa de prever o futuro muitas vezes. No final da simulação, milhares ou milhões de ensaios aleatórios produzem uma distribuição de resultados que podem ser analisados. As etapas básicas são: 1. Especificar um modelo (por exemplo, movimento geométrico browniano) 2. Gerar ensaios aleatórios 3. Processar a saída 1. Especificar um modelo (por exemplo, GBM) Neste artigo, usaremos o movimento Browniano geométrico (GBM) Que é tecnicamente um processo de Markov. Isso significa que o preço das ações segue uma caminhada aleatória e é consistente com (pelo menos) a forma fraca da hipótese de mercado eficiente (EMH): a informação de preços passados já está incorporada e o próximo movimento de preços é condicionalmente independente dos movimentos de preços passados . (Para mais informações sobre EMH, leia Trabalhando através da hipótese do mercado eficiente e o que é a eficiência do mercado) A fórmula para GBM é encontrada abaixo, onde S é o preço das ações, m (o M grego) é o retorno esperado. S (sigma grego) é o desvio padrão dos retornos, t é o tempo, e e (Epsilon grega) é a variável aleatória. Se reorganizarmos a fórmula para resolver apenas a mudança no preço das ações, vemos que a GMB diz que a variação no preço das ações é o preço das ações S multiplicado pelos dois termos encontrados dentro dos parênteses abaixo: O primeiro termo é uma deriva e o segundo O termo é um choque. Para cada período de tempo, nosso modelo assume que o preço irá diminuir pelo retorno esperado. Mas a deriva será chocada (adicionada ou subtraída) por um choque aleatório. O choque aleatório será o desvio padrão s multiplicado por um número aleatório e. Esta é simplesmente uma maneira de dimensionar o desvio padrão. Essa é a essência do GBM, como ilustrado na Figura 1. O preço das ações segue uma série de etapas, em que cada passo é um drift plusminus um choque aleatório (em si, uma função do desvio padrão do estoque): quando as despesas totais de um governo excedem a Receitas que gera (excluindo dinheiro de empréstimos). O déficit difere. Em geral, uma estratégia de publicidade em que um produto é promovido em meios que não sejam rádio, televisão, outdoors, impressão. Uma série de regulamentos federais, afetando principalmente instituições financeiras e seus clientes, passou em 2010 em uma tentativa. A Gestão de Carteiras é a arte e ciência de tomar decisões sobre mix e política de investimentos, combinando investimentos para. Uma configuração de casa conveniente onde aparelhos e dispositivos podem ser controlados automaticamente remotamente de qualquer lugar do mundo. A estratégia de selecionar ações que negociam por menos do que seus valores intrínsecos. Os investidores de valor procuram ativamente os estoques de. O Básico do ID de Testes de Reversão de Demora Estatística agradece ao Dr. Tom Starke por fornecer a inspiração para esta série de artigos. O código abaixo é uma modificação daquela que costumava ser encontrada em seu site leinenbock, que mais tarde se tornou drtomstarke. Até agora, no QuantStart discutimos a identificação da estratégia de negociação algorítmica. Backtesting bem-sucedido. Banco de dados mestre de valores mobiliários e como construir um ambiente de pesquisa de software. Agora é hora de voltar nossa atenção para formar estratégias de negociação reais e como implementá-las. Um dos principais conceitos de negociação na caixa de ferramentas quantitativa é o da reversão média. Este processo refere-se a uma série de tempo que exibe uma tendência a reverter para seu valor médio histórico. Matematicamente, essa série de tempo (contínua) é referida como um processo de Ornstein-Uhlenbeck. Isso contrasta com uma caminhada aleatória (movimento browniano), que não tem memória de onde foi em cada instância particular. A propriedade de reversão média de uma série temporal pode ser explorada para produzir estratégias de negociação rentáveis. Neste artigo, vamos descrever os testes estatísticos necessários para identificar a reversão média. Em particular, estudaremos o conceito de estacionaria e como testar para isso. Teste de Reversão Média Uma série de tempo de reversão média contínua pode ser representada por uma equação diferencial estocástica de Ornstein-Uhlenbeck: begin d xt theta (mu - xt) dt sigma dWt end Onde theta é a taxa de reversão para a média, mu é o Valor médio do processo, sigma é a variância do processo e Wt é um processo Wiener ou Brownian Motion. Em uma configuração discreta, a equação afirma que a mudança da série de preços no próximo período de tempo é proporcional à diferença entre o preço médio e o preço atual, com a adição de ruído gaussiano. Esta propriedade motiva o teste Augmented Dickey-Fuller, que descreveremos abaixo. Teste Fatey-Fuller aumentado (ADF) Matematicamente, o ADF baseia-se na ideia de testar a presença de uma raiz unitária em uma amostra de séries temporais autorregressivas. Faz uso do fato de que se uma série de preços possuir reversão média, o próximo nível de preços será proporcional ao nível de preços atual. Um modelo de atraso linear da ordem p é usado para a série temporal: comece Delta yt alpha beta t gamma y delta1 Delta y cdots delta Delta y epsilont end Onde alpha é uma constante, beta representa o coeficiente de uma tendência temporal e Delta yt y ( T) - y (t-1). O papel do teste de hipótese do ADF é considerar a hipótese nula de que gamma0, que indicaria (com alpha beta 0) que o processo é uma caminhada aleatória e, portanto, não significa reverter. Se a hipótese de que gamma0 possa ser rejeitada, o seguinte movimento da série de preços é proporcional ao preço atual e, portanto, é improvável que seja uma caminhada aleatória. Então, como é realizado o teste ADF. A primeira tarefa é calcular a estatística de teste (DF), que é dada pelo exemplo constante de proporcionalidade da amostra dividido pelo erro padrão da constante de proporcionalidade da amostra: Dickey e Fuller calcularam previamente a distribuição de Esta estatística de teste, que nos permite determinar a rejeição da hipótese para qualquer valor crítico de porcentagem escolhido. A estatística de teste é um número negativo e, portanto, para ser significativo além dos valores críticos, o número deve ser mais negativo que esses valores, ou seja, menos do que os valores críticos. Uma questão prática importante para os comerciantes é que qualquer desvio constante a longo prazo em um preço é de uma magnitude muito menor do que qualquer flutuação de curto prazo e, portanto, a derivação é geralmente assumida como zero (beta0) para o modelo. Uma vez que estamos considerando um modelo de atraso da ordem p, precisamos realmente definir p para um valor específico. Geralmente, é suficiente, para pesquisa comercial, definir p1 para nos permitir rejeitar a hipótese nula. Para calcular o teste Augmented Dickey-Fuller, podemos fazer uso das bibliotecas pandas e statsmodels. O primeiro fornece-nos um método direto de obter dados Open-High-Low-Close-Volume (OHLCV) do Yahoo Finance. Enquanto o último envolve o teste ADF em uma função fácil de chamar. Vamos realizar o teste do ADF em uma série de séries de ações do Google, de 1º de janeiro de 2000 a 1º de janeiro de 2013. Aqui está o código Python para realizar o teste: Aqui está o resultado do teste Augmented Dickey-Fuller para o Google o período. O primeiro valor é a estatística de teste calculada, enquanto o segundo valor é o valor p. O quarto é o número de pontos de dados na amostra. O quinto valor, o dicionário, contém os valores críticos da estatística de teste nos valores de 1, 5 e 10 por cento, respectivamente. Uma vez que o valor calculado da estatística de teste é maior que qualquer um dos valores críticos nos níveis de 1, 5 ou 10 por cento, não podemos rejeitar a hipótese nula de gamma0 e, portanto, não é provável que tenham encontrado uma série de tempo de reversão média. Um meio alternativo de identificar uma série de tempo de reversão média é fornecido pelo conceito de estacionaria. Que agora vamos discutir. Testes para Stationarity Uma série de tempo (ou processo estocástico) é definida como fortemente estacionária se sua distribuição de probabilidade conjunta for invariante em traduções em tempo ou espaço. Em particular, e de importância fundamental para os comerciantes, a média e variância do processo não se alteram ao longo do tempo ou do espaço, e eles não seguem uma tendência. Uma característica crítica da série de preços estacionários é que os preços dentro da série se difundem do seu valor inicial a uma taxa mais lenta que a de um movimento geométrico browniano. Ao medir a taxa desse comportamento difusivo, podemos identificar a natureza das séries temporais. Vamos agora descrever um cálculo, ou seja, o Hurst Exponent, que nos ajuda a caracterizar a estacionariedade de uma série temporal. Hurst Exponent O objetivo do Hurst Exponent é fornecer-nos um valor escalar que nos ajude a identificar (dentro dos limites da estimativa estatística) se uma série é significante reverter, andar aleatoriamente ou tendências. A idéia por trás do cálculo Hurst Exponent é que podemos usar a variância de uma série de preços de registro para avaliar a taxa de comportamento difusivo. Por um atraso de tempo arbitrário, a variância é dada por: Como comparamos a taxa de difusão com a de um Movimento Browniano Geométrico, podemos usar o fato de que, em geral, temos a variação proporcional ao tau no caso De um GBM: começar o log do langle (ttau) - log (t) 2 rangle sim tau end A visão chave é que, se houver quaisquer autocorrelações existentes (ou seja, quaisquer movimentos de preços seqüenciais possuem correlação não-zero), a relação acima não é válida. Em vez disso, ele pode ser modificado para incluir um valor expoente 2H, o que nos dá o valor do Hurst Exponente H: iniciar o log do langle (ttau) - log (t) 2 rangle sim tau end Uma série de tempo pode então ser caracterizada da seguinte maneira: Hlt0.5 - A série temporal é significante reverter H0.5 - A série temporal é um Movimento Browniano Geométrico H0.5 - A série temporal é uma tendência Além da caracterização das séries temporais, o Exponente Hurst também descreve até que ponto uma série Comporta-se da maneira categorizada. Por exemplo, um valor de H perto de 0 é uma série de reversão altamente média, enquanto que para H perto de 1, a série está fortemente tendendo. Para calcular o Hurst Exponent para a série de preços do Google, como utilizado acima na explicação do ADF, podemos usar o seguinte código Python: A saída do código Hurst Exponent Python é dada abaixo: A partir desta saída, podemos ver que a Geometria Brownian Motion possui um Hurst Exponent, H, que é quase exatamente 0.5. A série de reversão média tem H quase igual a zero, enquanto a série de tendências tem H perto de 1. Curiosamente, o Google tem H também quase igual a 0,5 indicando que é extremamente próximo a uma caminhada aleatória geométrica (pelo menos para o período de amostra foram Fazendo uso de). Embora tenhamos agora um meio de caracterizar a natureza de uma série de preços, ainda não discutimos o quão estatisticamente significativo é esse valor de H. Precisamos ser capazes de determinar se podemos rejeitar a hipótese nula de H0.5 para verificar o comportamento de reversão ou tendência. Em artigos subsequentes, descreveremos como calcular se H é estatisticamente significativo. Além disso, consideraremos o conceito de cointegração. O que nos permitirá criar nossa própria série de tempo de reversão média a partir de múltiplas séries de preços diferentes. Finalmente, relacionaremos essas técnicas estatísticas para formar uma estratégia básica de negociação de reversão básica. Clique abaixo para aprender mais sobre. A informação contida neste site é a opinião dos autores individuais com base em sua observação pessoal, pesquisa e anos de experiência. A editora e seus autores não são consultores de investimentos registrados, advogados, CPAs ou outros profissionais de serviços financeiros e não prestam assessoria jurídica, fiscal, contábil, de investimento ou outros serviços profissionais. A informação oferecida por este site é apenas de educação geral. Como cada situação factual de indivíduos é diferente, o leitor deve procurar seu próprio conselheiro pessoal. Nem o autor nem o editor assumem qualquer responsabilidade ou responsabilidade por quaisquer erros ou omissões e não têm responsabilidade nem responsabilidade para com qualquer pessoa ou entidade em relação aos danos causados ou alegadamente causados direta ou indiretamente pelas informações contidas neste site. Use por sua conta e risco. Além disso, este site pode receber compensações financeiras das empresas mencionadas através de publicidade, programas de afiliados ou de outra forma. Taxas e ofertas de anunciantes exibidos neste site mudam com freqüência, às vezes sem aviso prévio. Enquanto nos esforçamos para manter informações oportunas e precisas, os detalhes da oferta podem estar desactualizados. Os visitantes devem assim verificar os termos de tais ofertas antes de participar delas. O autor e sua editora se responsabilizam por atualizar informações e negar a responsabilidade pelo conteúdo, produtos e serviços de terceiros, inclusive quando acessados através de hiperlinks ou propagandas neste site. Basics of Statistical Mean Reversion Testing Id, como agradecer ao Dr. Tom Starke por fornecer A inspiração para esta série de artigos. O código abaixo é uma modificação daquela que costumava ser encontrada em seu site leinenbock, que mais tarde se tornou drtomstarke. Até agora, no QuantStart discutimos a identificação da estratégia de negociação algorítmica. Backtesting bem-sucedido. Banco de dados mestre de valores mobiliários e como construir um ambiente de pesquisa de software. Agora é hora de voltar nossa atenção para formar estratégias de negociação reais e como implementá-las. Um dos principais conceitos de negociação na caixa de ferramentas quantitativa é o da reversão média. Este processo refere-se a uma série de tempo que exibe uma tendência a reverter para seu valor médio histórico. Matematicamente, essa série de tempo (contínua) é referida como um processo de Ornstein-Uhlenbeck. Isso contrasta com uma caminhada aleatória (movimento browniano), que não tem memória de onde foi em cada instância particular. A propriedade de reversão média de uma série temporal pode ser explorada para produzir estratégias de negociação rentáveis. Neste artigo, vamos descrever os testes estatísticos necessários para identificar a reversão média. Em particular, estudaremos o conceito de estacionaria e como testar para isso. Teste de Reversão Média Uma série de tempo de reversão média contínua pode ser representada por uma equação diferencial estocástica de Ornstein-Uhlenbeck: begin d xt theta (mu - xt) dt sigma dWt end Onde theta é a taxa de reversão para a média, mu é o Valor médio do processo, sigma é a variância do processo e Wt é um processo Wiener ou Brownian Motion. Em uma configuração discreta, a equação afirma que a mudança da série de preços no próximo período de tempo é proporcional à diferença entre o preço médio e o preço atual, com a adição de ruído gaussiano. Esta propriedade motiva o teste Augmented Dickey-Fuller, que descreveremos abaixo. Teste Fatey-Fuller aumentado (ADF) Matematicamente, o ADF baseia-se na ideia de testar a presença de uma raiz unitária em uma amostra de séries temporais autorregressivas. Faz uso do fato de que se uma série de preços possuir reversão média, o próximo nível de preços será proporcional ao nível de preços atual. Um modelo de atraso linear da ordem p é usado para a série temporal: comece Delta yt alpha beta t gamma y delta1 Delta y cdots delta Delta y epsilont end Onde alpha é uma constante, beta representa o coeficiente de uma tendência temporal e Delta yt y ( T) - y (t-1). O papel do teste de hipótese do ADF é considerar a hipótese nula de que gamma0, que indicaria (com alpha beta 0) que o processo é uma caminhada aleatória e, portanto, não significa reverter. Se a hipótese de que gamma0 possa ser rejeitada, o seguinte movimento da série de preços é proporcional ao preço atual e, portanto, é improvável que seja uma caminhada aleatória. Então, como é realizado o teste ADF. A primeira tarefa é calcular a estatística de teste (DF), que é dada pelo exemplo constante de proporcionalidade da amostra dividido pelo erro padrão da constante de proporcionalidade da amostra: Dickey e Fuller calcularam previamente a distribuição de Esta estatística de teste, que nos permite determinar a rejeição da hipótese para qualquer valor crítico de porcentagem escolhido. A estatística de teste é um número negativo e, portanto, para ser significativo além dos valores críticos, o número deve ser mais negativo que esses valores, ou seja, menos do que os valores críticos. Uma questão prática importante para os comerciantes é que qualquer desvio constante a longo prazo em um preço é de uma magnitude muito menor do que qualquer flutuação de curto prazo e, portanto, a derivação é geralmente assumida como zero (beta0) para o modelo. Uma vez que estamos considerando um modelo de atraso da ordem p, precisamos realmente definir p para um valor específico. Geralmente, é suficiente, para pesquisa comercial, definir p1 para nos permitir rejeitar a hipótese nula. Para calcular o teste Augmented Dickey-Fuller, podemos fazer uso das bibliotecas pandas e statsmodels. O primeiro fornece-nos um método direto de obter dados Open-High-Low-Close-Volume (OHLCV) do Yahoo Finance. Enquanto o último envolve o teste ADF em uma função fácil de chamar. Vamos realizar o teste do ADF em uma série de séries de ações do Google, de 1º de janeiro de 2000 a 1º de janeiro de 2013. Aqui está o código Python para realizar o teste: Aqui está o resultado do teste Augmented Dickey-Fuller para o Google o período. O primeiro valor é a estatística de teste calculada, enquanto o segundo valor é o valor p. O quarto é o número de pontos de dados na amostra. O quinto valor, o dicionário, contém os valores críticos da estatística de teste nos valores de 1, 5 e 10 por cento, respectivamente. Uma vez que o valor calculado da estatística de teste é maior que qualquer um dos valores críticos nos níveis de 1, 5 ou 10 por cento, não podemos rejeitar a hipótese nula de gamma0 e, portanto, não é provável que tenham encontrado uma série de tempo de reversão média. Um meio alternativo de identificar uma série de tempo de reversão média é fornecido pelo conceito de estacionaria. Que agora vamos discutir. Testes para Stationarity Uma série de tempo (ou processo estocástico) é definida como fortemente estacionária se sua distribuição de probabilidade conjunta for invariante em traduções em tempo ou espaço. Em particular, e de importância fundamental para os comerciantes, a média e variância do processo não se alteram ao longo do tempo ou do espaço, e eles não seguem uma tendência. Uma característica crítica da série de preços estacionários é que os preços dentro da série se difundem do seu valor inicial a uma taxa mais lenta que a de um movimento geométrico browniano. Ao medir a taxa desse comportamento difusivo, podemos identificar a natureza das séries temporais. Vamos agora descrever um cálculo, ou seja, o Hurst Exponent, que nos ajuda a caracterizar a estacionariedade de uma série temporal. Hurst Exponent O objetivo do Hurst Exponent é fornecer-nos um valor escalar que nos ajude a identificar (dentro dos limites da estimativa estatística) se uma série é significante reverter, andar aleatoriamente ou tendências. A idéia por trás do cálculo Hurst Exponent é que podemos usar a variância de uma série de preços de registro para avaliar a taxa de comportamento difusivo. Por um atraso de tempo arbitrário, a variância é dada por: Como comparamos a taxa de difusão com a de um Movimento Browniano Geométrico, podemos usar o fato de que, em geral, temos a variação proporcional ao tau no caso De um GBM: começar o log do langle (ttau) - log (t) 2 rangle sim tau end A visão chave é que, se houver quaisquer autocorrelações existentes (ou seja, quaisquer movimentos de preços seqüenciais possuem correlação não-zero), a relação acima não é válida. Em vez disso, ele pode ser modificado para incluir um valor expoente 2H, o que nos dá o valor do Hurst Exponente H: iniciar o log do langle (ttau) - log (t) 2 rangle sim tau end Uma série de tempo pode então ser caracterizada da seguinte maneira: Hlt0.5 - A série temporal é significante reverter H0.5 - A série temporal é um Movimento Browniano Geométrico H0.5 - A série temporal é uma tendência Além da caracterização das séries temporais, o Exponente Hurst também descreve até que ponto uma série Comporta-se da maneira categorizada. Por exemplo, um valor de H perto de 0 é uma série de reversão altamente média, enquanto que para H perto de 1, a série está fortemente tendendo. Para calcular o Hurst Exponent para a série de preços do Google, como utilizado acima na explicação do ADF, podemos usar o seguinte código Python: A saída do código Hurst Exponent Python é dada abaixo: A partir desta saída, podemos ver que a Geometria Brownian Motion possui um Hurst Exponent, H, que é quase exatamente 0.5. A série de reversão média tem H quase igual a zero, enquanto a série de tendências tem H perto de 1. Curiosamente, o Google tem H também quase igual a 0,5 indicando que é extremamente próximo a uma caminhada aleatória geométrica (pelo menos para o período de amostra foram Fazendo uso de). Embora tenhamos agora um meio de caracterizar a natureza de uma série de preços, ainda não discutimos o quão estatisticamente significativo é esse valor de H. Precisamos ser capazes de determinar se podemos rejeitar a hipótese nula de H0.5 para verificar o comportamento de reversão ou tendência. Em artigos subsequentes, descreveremos como calcular se H é estatisticamente significativo. Além disso, consideraremos o conceito de cointegração. O que nos permitirá criar nossa própria série de tempo de reversão média a partir de múltiplas séries de preços diferentes. Finalmente, relacionaremos essas técnicas estatísticas para formar uma estratégia básica de negociação de reversão básica. Clique abaixo para aprender mais sobre. A informação contida neste site é a opinião dos autores individuais com base em sua observação pessoal, pesquisa e anos de experiência. A editora e seus autores não são consultores de investimentos registrados, advogados, CPAs ou outros profissionais de serviços financeiros e não prestam assessoria jurídica, fiscal, contábil, de investimento ou outros serviços profissionais. A informação oferecida por este site é apenas de educação geral. Como cada situação factual de indivíduos é diferente, o leitor deve procurar seu próprio conselheiro pessoal. Nem o autor nem o editor assumem qualquer responsabilidade ou responsabilidade por quaisquer erros ou omissões e não têm responsabilidade nem responsabilidade para com qualquer pessoa ou entidade em relação aos danos causados ou alegadamente causados direta ou indiretamente pelas informações contidas neste site. Use por sua conta e risco. Além disso, este site pode receber compensações financeiras das empresas mencionadas através de publicidade, programas de afiliados ou de outra forma. Taxas e ofertas de anunciantes exibidos neste site mudam com freqüência, às vezes sem aviso prévio. Enquanto nos esforçamos para manter informações oportunas e precisas, os detalhes da oferta podem estar desactualizados. Os visitantes devem assim verificar os termos de tais ofertas antes de participar delas. O autor e a editora estão isentos de responsabilidade pela atualização de informações e negam a responsabilidade pelo conteúdo, produtos e serviços de terceiros, inclusive quando acessados através de hiperlinks ou propagandas neste site.
No comments:
Post a Comment